本文针对用户流失预测提出结合因果推断的方法CFChurn。结合反事实推理，捕获社会影响的信息从而对流失进行预测。

title：Learning Explicit User Interest Boundary for Recommendationlink：https://arxiv.53yu.com/pdf/2111.11026.pdffrom：WWW 2022

用户与物品的互动是由各种意图驱动的（例如，准备节日礼物、购买捕鱼设备等）。然而，用户的潜在意图往往是不被观察到/潜在的，因此很难利用这些潜在意图进行序列推荐（SR）。本文提出了意图对比学习（ICL），通过聚类将潜在意图变量引入...

本文是针对序列推荐任务提出的方法DGSR，通常我们只考虑用户本身交互序列中包含的信息而忽略了动态信息，即利用动态GNN连接不同用户的交互序列，发掘用户和商品的交互行为。...

大多数现有的新闻推荐方法都依赖于隐式反馈，如点击来推断用户兴趣和模型训练。然而，点击行为通常包含大量噪音(误点击)，无法帮助推断出复杂的用户兴趣，例如不喜欢。仅针对点击行为训练的feed推荐模型无法优化其他目标，例如...

本文是针对会话推荐提出的相关方法，主要关注会话序列中用户执行的各种活动，如点击，添加购物车等微行为。本文提出EMBSR关注两种不同的行为模式：“顺序模式”和“二元关系模式”。为了建立用户微行为的统一模型，...

现有的推荐系统模型训练通常采用point wise（如交叉熵）或pair wise损失（如BPR），但是标签的有限的表达能力可能无法适应不同程度的用户偏好，从而导致模型训练期间的冲突，作者称之为标注偏差（annotation bias）。...

预备知识：超图：https://zhuanlan.zhihu.com/p/361471954

现有的基于会话的推荐方法只关注建模用户的兴趣偏好，而忽略了价格因素。而将价格偏好纳入基于会话的推荐存在以下挑战。

现在主流的排序模型设计和使用方式是：离线训练模型，冻结参数，并将其部署到在线服务。但是实际上，候选商品是由特定的用户请求决定的，其中潜在的分布（例如，不同类别的商品比例，流行度或新商品的比例）在生产环境中彼此之间存在很...